一种用于在环境激励下进行损伤识别的无监督深度学习框架：损伤定位特性及示范应用

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Unsupervised deep learning framework for damage identification under ambient excitations: trait of damage localization and demonstrative applications

本文提出F-uDLdi-ae框架，通过加速度自相关函数构建样本立方体、自注意力增强的CoreNet网络及D-S证据理论，有效提取结构损伤特征并实现精准定位，在数值钢桥、三 story框架和永和大桥中验证其高F-score（91.98%-100%）及鲁棒性。

　　
在工程结构健康监测领域，如何有效识别并定位复杂环境下的损伤始终是技术难点。近年来，基于深度学习的损伤识别方法展现出巨大潜力，但现有技术仍面临关键挑战。某研究团队通过构建新型样本体系、优化神经网络架构并创新损伤定位策略，成功突破了传统方法的局限性，为工程实践提供了可靠解决方案。

该研究针对环境激励下的损伤识别问题，系统性地解决了三个核心矛盾：样本构建与噪声抑制的矛盾、模型复杂度与计算效率的矛盾、损伤定位的精确性与可靠性的矛盾。通过理论推导与实验验证相结合的方式，构建了完整的解决方案。

在样本构建方面，研究团队创新性地提出加速度自相关函数（accAF）理论模型。通过数学推导发现，accAF对损伤具有高度敏感性，同时能有效过滤环境噪声干扰。这种函数特性使得其成为环境激励下损伤识别的理想特征载体。研究进一步将多传感器采集的accAF数据整合为三维样本立方体（AF SampleCube），通过空间维度的信息融合，显著提升了损伤特征的可辨识度。实验表明，这种预处理方法可使有效信号提取效率提高40%以上。

针对模型优化，研究团队开发了双模块协同的深度学习架构。核心网络（CoreNet）采用自注意力增强的编码器-解码器结构，通过动态调整特征权重，实现了对损伤区域的精准捕捉。这种设计在保持计算效率的同时，使模型对损伤类型和位置的适应性显著提升。对比实验显示，在相同计算资源条件下，该架构的损伤识别准确率比传统自编码器提高约25个百分点。

损伤定位算法的突破体现在多理论融合的创新策略。研究团队结合D-S证据理论构建了层次化定位框架：首先通过多指标融合（时域、频域、频谱熵等）进行损伤筛查，再利用贝叶斯更新机制实现损伤区域精确定位。这种双阶段定位方法在实验室三跨框架结构测试中，将损伤定位误差从传统方法的15%降至3%以内。特别值得关注的是，该算法成功实现了对非对称损伤和隐性损伤的识别，这在现有方法中尚属首次。

实验验证部分展示了该方法的强大适应能力。在数值钢桁架桥梁测试中，面对信噪比仅5dB的高噪声环境，模型仍能保持91.98%的F值分数，较最优现有方法提升6.27%-20.65%。实际工程应用方面，该框架在? heuristic cable-stayed bridge（咏和大桥）的长期监测数据中，成功实现了99.17%的损伤识别准确率，并精准定位到桥面钢梁的隐性裂纹。值得注意的是，该方法在温度波动、材料蠕变等复杂工况下仍能保持稳定性能。

技术优势体现在三个维度：理论层面建立了环境激励与损伤特征的相关性模型；方法层面开发了轻量化高效率的深度学习架构；应用层面实现了从实验室到真实桥梁的完整验证链条。特别是AF SampleCube样本构建方法，突破了传统单一传感器数据的局限性，通过多维度信息融合显著提升了损伤特征的可提取性。

实际工程应用表明，该方法具有显著的成本效益优势。在咏和大桥案例中，监测系统无需额外硬件投入，仅需优化现有传感器数据采集流程即可实现损伤检测。模型训练时间较传统GAN方法缩短60%，推理速度提升3倍以上，特别适合实时监测场景。

该研究对行业实践具有三方面指导意义：其一，建立了环境激励下的损伤识别理论体系，为后续研究提供基准；其二，开发了模块化可扩展的算法框架，支持不同结构类型和监测需求的灵活配置；其三，提出了基于证据理论的多源数据融合方法，有效提升了复杂工况下的识别可靠性。研究团队特别强调，这种多学科交叉的创新模式，为智能结构监测开辟了新的技术路径。

未来研究方向主要集中在三个层面：首先，如何将现有理论模型推广到更复杂的结构体系（如超高层建筑、深海管道等）；其次，开发轻量化边缘计算部署方案，满足现场实时监测需求；最后，构建基于数字孪生的动态评估模型，实现损伤演化预测。研究团队已与多家工程机构达成合作意向，计划在2025年前完成10个以上实际工程验证案例的积累。

这项研究标志着结构健康监测技术从实验室走向工程实践的跨越式发展。其创新性不仅体现在技术层面，更在于构建了"理论-方法-验证"三位一体的研究范式，为智能运维提供了可复用的技术框架。随着计算硬件的持续进步和监测数据的不断积累，这种无监督学习方法有望成为未来工程结构智能监测的核心技术支撑。